图片和视频能被 AI 搜索抓到吗

模型能看图，但搜索靠的是字

把一张产品图直接扔给多模态模型，问「这是什么」，它能答出个八九不离十。这个能力和「图片被 AI 搜索抓到」是两件事，很多人把它们混在一起。

前者是模型看见了图，后者是用户问「怎么做」时，模型从站点的图片页里找到信息，再写进答案。检索那一步走的仍然是文字通道，图片本身读不出你想要的参数和结论。

多模态模型读的是像素

图像进模型时先被切成小块，每块转成一个向量，和文字向量对齐到同一个空间。所以模型能说出「这是一台卧式车床」，也能说出图里有个红 {MOD}按钮。

它对细字、小号标注、模糊照片的识别能力有限。一张产品图里印的参数表，缩到 800 像素宽之后基本读不出来。指望模型从图里认出你的型号，可靠性不高。

检索阶段靠的是文字

AI 搜索的流程是先检索再作答。检索环节拿关键词去匹配页面文本，图片文件只有在周边有文字说明时才能被召回。

换句话说，图片能不能被搜到，取决于它旁边写了什么。这句话听起来朴素，落地的时候九成站点没做到。

图片被搜到的三个前提

文件名和 alt 写不写

相机直出的文件名叫 DSC_0473.jpg，这个字符串对检索没有意义。改成 air-compressor-oil-filter.jpg，抓取端至少知道它是什么。

alt 属性是图片的替代文本，抓取端读它判断图像内容。写「产品图」等于没写。写「空压机油滤芯，外径 76mm，螺纹 M20」才有信息量。

alt 别堆词。一句话说清画面内容和它对应的事物，长度控制在二十字上下。堆五个关键词的 alt 会被判成垃圾标注，反而拉低整页质量。

图片周围的正文

一张图单独放在页面上，前后没有文字，抓取端拿不到上下文。图片下方加一段图注，正文里提到「下图是滤芯的剖面」，图和文的关联才算建立。

图注的价值常被低估。它既服务读屏软件，也给抓取端提供一句完整的描述。写清「图 3：滤芯截面，滤纸折数 42 折」，比「图 3：产品展示」有用得多。

结构化标注

页面里用 ImageObject 标注图片的地址、宽度、高度、说明文字，抓取端能直接读到结构化字段，不用靠猜。产品页再叠一层 Product 标注，把型号、材质写进去，图文就绑在一起了。

标注要做，但别指望它救场。页面上没有真实内容，只靠标注堆字段，抓取端照样判低质。标注是把已有信息说清楚，不是凭空造信息。

视频这一块更薄

字幕文件是稳的入口

视频本身是一串画面，抓取端读不出里面讲了什么。能读的是字幕文件，SRT 或者 VTT，纯文本，一字一句都在里面。

把字幕传上去，页面上挂一个可点击的文字稿，这段视频就有了可检索的内容。没有字幕的视频，在 AI 搜索里基本等于不存在。

字幕别用自动识别直接导出。设备噪音、方言、专业词，自动识别的错字率很高，「轴承」被识别成「轴乘」，检索时对不上。人工过一遍，二十分钟的视频大概要一小时校对，这个时间省不得。

文字稿还有一个好处：可以加小标题。一段十分钟的讲解，按内容切成五节，每节一个 h3，抓取端能定位到「第几分钟讲了什么」。

视频封面和标题同样算内容

封面图上压一行大字，抓取端读不到。标题栏里写清「XX 设备拆装完整流程，含扭矩参数」，这行字才是能被检索的部分。封面负责点击，标题负责被找到，两件事分开做。

视频时长也影响判断。三十秒的片段讲不清一件事，五分钟以上的讲解被引用的机会高。太短的视频，抓取端拿不到足够的文字量。

视频页面的文字描述

标题写清主题，描述写清讲了哪几件事，长度三百字上下。别用「精彩内容，点击观看」这类话占位。

视频嵌入用平台播放器时，页面本身要有正文。只有一个 iframe 的页面，抓取端拿到的内容近乎为零。把要点摘成文字放下面，这一页才有分量。

图库站为什么总被引用

搜「某类设备长什么样」，AI 答案里常引用素材站和行业图库。不是那些站的图拍得更好，是它们的图片页有完整的文字层：标题、说明、标签、拍摄参数、使用场景。

一个素材站的图片页，正文往往有五六百字，讲这张图拍的是什么、适合用在哪。这套文字结构恰好对上检索的口味。

企业官网的图片页通常只有一张大图和「上一张 / 下一张」。差距不在图片质量，在文字层。

抓取端怎么判断一个图片页

文字与图片的比例

一页里正文不到一百字、图有二十张，这类页面在抓取端眼里内容极薄。切分之后每张图分不到一句描述，谁都召回不了。

合理的比例是一张主图配一百五十字上下的说明。产品页按这个比例做，一页三到五张图，正文六百到八百字，结构就立住了。

图片地址是否稳定

图片换了目录、改了文件名，原来的索引全部失效。有人在三个月内把图片目录重构了两次，站点图片的收录量掉到零，正文排名也跟着掉。

图片上传前就定好命名规则，之后不再改路径。需要换图，用同名覆盖，别新建一个名字再把旧的删掉。

自己怎么验一遍

把页面地址贴进搜索引擎的图片搜索，看能不能搜到。搜不到，先查 robots.txt 有没有挡住图片目录，再查图片是不是用脚本后加载、抓取时拿不到真实地址。

再看图片的 alt 有没有生效。用浏览器关掉图片显示，页面上原本的图会显示成一段文字，那段文字就是 alt。看到一串文件名，说明 alt 没写。

最后看文字稿。把视频页面的正文复制出来，字数不到三百，这一页在检索里就是空的。补到六百字以上，把过程、参数、常见问题写进去。

哪些做法是白费力气

图里塞大字

把「厂家直销、质优价廉」做成艺术字压在图上，人看着热闹，抓取端读不到。图片里的文字只有走 OCR 才能提取，识别率不稳，还不能保证被采用。

同样的信息写成正文一句话，效果稳定得多。图上的字可以留，但正文必须有对应的文字表述。

一页堆几十张图

产品列表页放四十张缩略图，每张只有型号名。这种页面在检索眼里内容极薄，各家图片互相稀释，谁都排不上去。

把重点产品单独建页，一页三到五张图，配参数、配说明、配应用场景。页数多了，每页的分量也够。

动图当演示

GIF 体积大、加载慢，抓取端也只当一张图处理。需要演示动作，用短视频加文字稿，或者几张连续截图配文字说明，都比 GIF 强。

一句实话

图片和视频能不能被 AI 搜索抓到，答案是可以，但入口是文字。你给图配了多少字，图就有多少被搜到的机会。

落地顺序：先把产品页的图片文件名和 alt 改对，再给每张图加一句图注，然后把视频的字幕和文字稿补上。这三步做完，效果比再拍一批新图明显。

还有一个容易漏的点：图片服务器要允许抓取。很多站点在 robots.txt 里把 /uploads/ 整段禁了，图的地址抓不到，前面做的标注和说明全落空。查一下这条规则，比改十张图的 alt 省事。